Python之code对象与pyc文件（三）

上一节：Python之code对象与pyc文件（二）

向pyc写入字符串

在了解Python如何将字符串写入到pyc文件的机制之前，我们先来了解一下结构体WFILE：

marshal.c

typedef struct {
	FILE *fp;
	int error;
	int depth;
	/* If fp == NULL, the following are valid: */
	PyObject *str;
	char *ptr;
	char *end;
	PyObject *strings; /* dict on marshal, list on unmarshal */
	int version;
} WFILE;

　　

WFILE可以看做是一个对FILE *的简单包装，但在WFILE中，出现了一个奇特的strings域，这个域是Python向pyc文件中写入字符串或从中读取字符串的关键所在，当向pyc中写入时，strings会指向一个PyDictObject对象，而从pyc中读出时，strings则会指向一个PyListObject对象

我们再次回到PyMarshal_WriteObjectToFile这个函数

marshal.c

void PyMarshal_WriteObjectToFile(PyObject *x, FILE *fp, int version)
{
    WFILE wf;
    wf.fp = fp;
    wf.error = 0;
    wf.depth = 0;
    wf.strings = (version > 0) ? PyDict_New() : NULL;
    wf.version = version;
    w_object(x, &wf);
    Py_XDECREF(wf.strings);
}

　　

可以看到在开始写入对象之前，WFILE的strings就已经指向一个PyDictObject对象了

marshal.c

else if (PyString_Check(v)) {
	if (p->strings && PyString_CHECK_INTERNED(v)) {
		//<1>获得PyStringObject对象在strings中的序号
		PyObject *o = PyDict_GetItem(p->strings, v);
		//<2>intern字符串的非首次写入
		if (o) {
			long w = PyInt_AsLong(o);
			w_byte(TYPE_STRINGREF, p);
			w_long(w, p);
			goto exit;
		}
		//<3>intern字符串的首次写入
		else {
			int ok;
			o = PyInt_FromSsize_t(PyDict_Size(p->strings));
			ok = o &&
				 PyDict_SetItem(p->strings, v, o) >= 0;
			Py_XDECREF(o);
			if (!ok) {
				p->depth--;
				p->error = 1;
				return;
			}
			w_byte(TYPE_INTERNED, p);
		}
	}
	//<4>写入普通string
	else {
		w_byte(TYPE_STRING, p);
	}
	n = PyString_GET_SIZE(v);
	if (n > INT_MAX) {
		/* huge strings are not supported */
		p->depth--;
		p->error = 1;
		return;
	}
	//<5>写入字符串的长度
	w_long((long)n, p);
	w_string(PyString_AS_STRING(v), (int)n, p);
}

　　

向pyc写入一个字符串时，可能分为3种情况：

写入一个普通的字符串，先写入字符串的类型标识TYPE_STRING，然后调用w_long写入字符串长度，最后通过w_string写入字符串本身，这一切都在<4>和<5>这里完成的。除了普通字符串外，Python还会碰到在以后加载pyc文件时需要进行intern操作的字符串。对于这种字符串又分为首次写入和非首次写入。

这里简略介绍一下intern机制，Python有一个字符串缓冲池，当要生成一个字符串时，Python会检查缓冲池是否已有现成的字符串，如果有则返回，如果没有则将字符串存储在缓冲池，但Python并非对所有的字符串都做缓冲检查（即intern机制）

我们声明a和b两个变量，并赋予相同的字符串，然后查看它们的地址，它们的地址是相同的，这正是因为intern机制起了作用

>>> a = "HelloWorld"
>>> b = "HelloWorld"
>>> id(a)
139894353361584
>>> id(b)
139894353361584

　　

我们再来看另外一个例子：

>>> c = "Hello World"
>>> d = "Hello World"
>>> id(c)
139894353361536
>>> id(d)
139894353361728

　　

如上，c和d之于a和b，无非就是多了一个空格，但我们发现，c和d的地址明显不一样，为什么会造成这样的差异呢？原因是因为intern机制默认只对简单字符进行处理，简单字符即"0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ_abcdefghijklmnopqrstuvwxyz"构成的字符串

另外，对于计算得出的字符串，也不做intern

>>> lst = ["a", "b", "c"]
>>> e = "".join(lst)
>>> f = "".join(lst)
>>> id(e)
139894353351824
>>> id(f)
139894353353104

　　

现在，我们知道什么是intern机制，再次回到w_object这个方法中的写入字符串处，如果字符串是可以被intern机制处理的字符串，那么分为首次写入和非首次写入。

之前说过，在写入的时候，WFILE中的strings指向一个PyDictObject对象，这个对象中，实际上维护着（PyStringObject，PyIntObject）这样的映射关系，key为字符串，而value则是这个字符串是第几个被加入到WFILE.strings中的字符串，更确切的说是第几个被写入到pyc文件中的intern字符串

Python为什么需要这个PyIntObject对象的值呢？假设我们要向pyc文件写入3个字符串："hello"、"world"、"hello"，如果我们没有intern机制，也没有strings这个PyDictObject对象，我们只管埋头往pyc文件里写字符串，那么pyc文件会长什么样子呢？如下：

pyc文件

(TYPE_STRING,5,hello)

(TYPE_STRING,5,world)

(TYPE_STRING,5,hello)

上面的pyc文件存储着3个值，这个值里第一个元素是类型，为字符串类型TYPE_STRING，第二个元素为字符串的长度，第三个为字符串本身的值，我们会发现，第2行和第4行重复了，如果源代码存在大量重复的字符串，那么这样的做法无疑会使得整个pyc文件存在大量冗余的信息。Python作为一门优雅的语言，显然不允许这样的操作存在，那么intern机制和strings指向的PyDictObject就派上用场了

现在我们有了intern机制和strings指向的PyDictObject对象，我们依旧往pyc文件写入"hello"、"world"、"hello"这3个值，由于这3个字符串是可以启用intern机制，所以这里我们也看一下strings这个PyDictObject对象中的结果：

string

hello	0
world	1

之前我们说过，strings会存储写入pyc文件的字符串是第几个，所以strings存储的内容如上，那么pyc文件存储的内容又是怎样的呢？

(TYPE_STRING,5,hello)

(TYPE_STRING,5,world)

(TYPE_STRINGREF,0)

现在这个pyc文件的内容，较之前的pyc内容有一点不一样了，就是第三行所存储的内容，我们来看一下新pyc文件的第三行内容：(TYPE_STRINGREF,0)，这里存储的类型不再是TYPE_STRING，也不再存储字符串的长度和字符串本身，TYPE_STRINGREF这个类型代表在解析pyc文件时，对应的值要去strings中查找，而它的索引值即为0。等一下，好像有点不对？在上面我们的介绍中，strings这个PyDictObject对象里何曾有过0这个索引？不要急，且看我后面慢慢道来

我们都知道，PyDictObject中存储的是（字符串，第几次写入pyc文件）这样的形式，在加载pyc文件时，同样用到WFILE这个结构体，而且同样需要用到strings这个变量，不过这时候的strings不再是PyDictObject，而是PyListObject。strings这个变量非常有意思，在写入对象时，它是PyDictObject，在加载pyc文件读取对象时，它是PyListObject。之前PyDictObject的value，即为整型值，现在作为PyListObject的索引值，而索引值对应的内容即为字符串，这样，当Python加载pyc文件时，读到一个TYPE_STRINGREF类型的元素和一个索引值，就知道要去strings这个PyListObject查找对应索引值所存储的内容

现在，我们再来看下pyc文件加载的方法

marshal.c

typedef WFILE RFILE;
 
PyObject *PyMarshal_ReadObjectFromFile(FILE *fp)
{
	RFILE rf;
	PyObject *result;
	rf.fp = fp;
	rf.strings = PyList_New(0);
	rf.depth = 0;
	rf.ptr = rf.end = NULL;
	result = r_object(&rf);
	Py_DECREF(rf.strings);
	return result;
}

　　

我们看到，在加载pyc文件时，rf依然是WFILE对象，且这时候strings不再是PyDictObject，而是PyListObject，而r_object可以视为上面w_object的逆运算

遗失的PyCodeObject

在Python之code对象与pyc文件（一）这个章节中，我们说过demo.py会生成3个PyCodeObject：

demo.py

class A:
    pass
 
def func():
    pass
 
a = A()
func()

　　

而在PyMarshal_WriteObjectToFile这个方法中，我们看到，这个方法只会对一个PyCodeObject对象进行操作，那么另外两个PyCodeObject对象呢？事实上，另外两个PyCodeObject存在于一个PyCodeObject之中，即demo.py本身是一个大的PyCodeObject，而class A和def func这两个PyCodeObject存在于demo.py对应的PyCodeObject里面。我们可以用co_consts来查看另外两个PyCodeObject：

>>> source = open("demo.py").read()
>>> co = compile(source, "demo.py", "exec")
>>> co.co_consts
('A', <code object A at 0x7f966910ae30, file "demo.py", line 1>, <code object func at 0x7f96690aa930, file "demo.py", line 5>, None, ())

　　

果然如我们前面所说，co_consts会返回一个元组，元组中包含的就是class A和def func这两个PyCodeObject，code类型中依旧存在很多我们可以探究的对象，如：co_nlocals（Code Block中局部变量的个数，包括其位置参数的个数）、co_varnames（Code Block中的局部变量名集合），感兴趣的同学可以再去多做研究一下，这里不再一个个展示